Expertensystem

Definition

Ein Expertensystem ist ein KI-System, das das Wissen menschlicher Experten einer eng definierten Domäne in Form von Regeln, Fakten und heuristischen Schlussfolgerungen repräsentiert und damit Aufgaben löst, die sonst Expertise erfordern würden. Klassische Bestandteile sind die Wissensbasis (Knowledge Base), die Inferenzmaschine (Inference Engine), eine Erklärungskomponente (Explanation Facility) und eine Schnittstelle für Knowledge Acquisition. Expertensysteme gelten als prototypische Anwendung der symbolischen KI und dominierten die kommerzielle KI in den 1970er und 1980er Jahren.

Im Unterschied zu modernen Sprachmodellen sind Expertensysteme transparent und prüfbar: Jede Schlussfolgerung lässt sich auf die angewandten Regeln zurückführen. Diese Eigenschaft macht sie weiterhin attraktiv in regulierten Domänen.

Geschichte

Die Geschichte der Expertensysteme beginnt 1965 mit DENDRAL, einem Stanford-Projekt unter Edward Feigenbaum, Joshua Lederberg und Bruce Buchanan. DENDRAL leitete Molekülstrukturen aus Massenspektren ab und war das erste System, das Expertenwissen produktiv einsetzte. 1972 folgte MYCIN, ein medizinisches Diagnosesystem für bakterielle Infektionen, das in Tests mit menschlichen Spezialisten konkurrierte, jedoch nie klinisch eingesetzt wurde.

In den späten 1970ern und frühen 1980ern explodierte der Markt. R1 (später XCON) konfigurierte ab 1978 für Digital Equipment Corporation VAX-Computer und sparte dem Unternehmen geschätzte 40 Millionen Dollar pro Jahr. Hunderte Unternehmens-Expertensysteme entstanden, oft in Lisp oder mit Shells wie EMYCIN, KEE und ART. Japans Fifth Generation Computer Project (1982 bis 1992) versuchte, Expertensysteme auf Hardware-Ebene zu beschleunigen.

Die Krise begann Ende der 1980er. Wartung wurde unbeherrschbar, Wissensbasen veralteten, Lisp-Maschinen wurden durch generische Workstations verdrängt. Symbolics beantragte im Januar 1993 Gläubigerschutz nach Chapter 11. Der zweite KI-Winter (1987 bis 1993) traf den Expertensystem-Markt zentral.

Nach 2000 lebten Expertensysteme unter neuen Namen weiter: Business Rules Management Systems (Drools, IBM ODM), Decision Management, Configuration Engines. Diese Systeme werden heute selten als KI bezeichnet, sind aber funktional Nachfolger.

Mechanismus

Ein Expertensystem besteht aus mehreren Kernkomponenten:

• Wissensbasis: Explizit kodiertes Wissen in Form von Regeln (IF-THEN), Fakten, Frames oder Ontologien.
• Inferenzmaschine: Mechanismus, der Regeln auf Fakten anwendet, typischerweise Forward-Chaining (datengetrieben) oder Backward-Chaining (zielgetrieben).
• Erklärungskomponente: Generiert Begründungen für Schlussfolgerungen durch Rückverfolgung der angewendeten Regeln.
• Knowledge Acquisition Modul: Schnittstelle für Knowledge Engineers, um Wissen zu pflegen.
• Unsicherheitsbehandlung: Confidence Factors (MYCIN), Bayessche Netze oder Fuzzy Logic für unsichere Inferenz.

Die Architektur trennt Wissen von Inferenz, was Wartung und Erweiterung erleichtert. Expert Shells wie EMYCIN abstrahierten die Inferenzmaschine, sodass nur die Wissensbasis ausgetauscht werden musste.

Praxis und Anwendung

Trotz der Krise sind Expertensysteme heute produktiv im Einsatz:

• Compliance und Recht: Steuersoftware, Geldwäsche-Detection, Vertragsprüfung.
• Medizin: Entscheidungsunterstützung in Diagnose, Medikamenten-Interaktion, klinische Leitlinien.
• Industrie: Konfiguratoren für komplexe Produkte (SAP, Salesforce CPQ, Oracle Configurator).
• Finanzdienstleistung: Underwriting, Kreditentscheidung, Betrugsdetektion.
• Helpdesk und Diagnose: Fehlersuche in komplexen Systemen, IT-Support.

Moderne Hybride kombinieren regelbasierte Systeme mit Machine Learning oder LLMs: Regeln garantieren Compliance und Auditierbarkeit, LLMs übernehmen Sprachverarbeitung und unstrukturierte Eingaben.

Häufige Fehler

• Expertensystem mit AI gleichsetzen: Expertensysteme sind ein Ausschnitt symbolischer KI, nicht KI insgesamt.
• Wissensbasis als statisch betrachten: Ohne kontinuierliche Pflege veraltet die Basis und Schlussfolgerungen werden falsch.
• Domänengrenze ignorieren: Expertensysteme glänzen in engen Domänen und versagen ausserhalb. Out-of-Scope-Anfragen müssen erkannt werden.
• Erklärungskomponente überschätzen: Regeltracing erklärt die Inferenz, aber nicht zwingend die zugrundeliegende Sachlogik.
• Tacit Knowledge unterschätzen: Viele Expertenentscheidungen beruhen auf nicht artikulierbarem Erfahrungswissen, das sich nicht in Regeln giessen lässt.

Abgrenzung

• Machine Learning: Lernt Muster aus Daten statt sie explizit zu kodieren.
• Business Rules Engine: Moderne Inkarnation regelbasierter Systeme, oft ohne KI-Etikett.
• Knowledge Graph: Repräsentation strukturierten Wissens, aber ohne integrierte Inferenz.
• Decision Support System: Breiter Begriff, der auch nicht-regelbasierte Verfahren einschliesst.
• LLM-basierte Agenten: Nutzen statistisches Sprachverständnis statt expliziter Regeln, ergänzen aber zunehmend Tool-Calls zu Solvern und Regelsystemen.